Bok tamo! Ja sam dobavljač u poslu rješavanja problema trgovačkog putnika (TSP). TSP je klasičan optimizacijski problem gdje je cilj pronaći najkraću moguću rutu koja posjećuje skup gradova i vraća se na početnu točku. Ali ovdje je caka: u bučnom okruženju pronalaženje točnog rješenja može biti prava glavobolja. U ovom ću blogu podijeliti neke savjete o tome kako poboljšati točnost TSP rješenja kada je okolo puno buke.
Razumijevanje buke u TSP-u
Kao prvo, razgovarajmo o tome što ta "buka" zapravo znači u kontekstu TSP-a. Buka može dolaziti iz različitih izvora. Na primjer, netočna mjerenja udaljenosti između gradova mogu biti glavni izvor buke. Možda su podaci koje imamo o udaljenostima stari ili postoje greške u mjernim instrumentima. Drugi izvor mogu biti vanjski čimbenici koji utječu na vrijeme putovanja, poput prometnih uvjeta, vremena ili zatvaranja cesta.
Kada postoji šum u podacima, to može izbaciti naše TSP algoritme, što dovodi do suboptimalnih ili čak potpuno pogrešnih rješenja. Dakle, prvi korak u poboljšanju točnosti je razumijevanje prirode i opsega buke.
Predobrada podataka
Jedan od najučinkovitijih načina rješavanja buke je prethodna obrada podataka. To uključuje čišćenje i normaliziranje podataka prije unošenja u TSP algoritam.
Čišćenje podataka
Moramo identificirati i ukloniti sve izvanredne vrijednosti u podacima o udaljenosti. Outlieri su podatkovne točke koje se značajno razlikuju od ostatka podataka. Na primjer, ako imamo skup udaljenosti između gradova i iznenada postoji jedna udaljenost koja je prevelika ili premala u usporedbi s ostalima, mogla bi biti izvanredna vrijednost. Možemo koristiti statističke metode kao što je interkvartilni raspon (IQR) da identificiramo odstupanja. Nakon što ih identificiramo, možemo ih ukloniti ili zamijeniti razumnijim vrijednostima.
Normaliziranje podataka
Normalizacija je još jedan važan korak. Pomaže dovesti sve vrijednosti udaljenosti na zajedničku ljestvicu. Ovo je posebno korisno kada koristimo algoritme koji su osjetljivi na veličinu ulaznih podataka. Uobičajeni način normaliziranja podataka je korištenje min - max normalizacije, gdje skaliramo podatke tako da leže između 0 i 1.
Odabir pravog algoritma
Nisu svi TSP algoritmi stvoreni jednaki, posebno kada je u pitanju rukovanje šumom. Neki algoritmi su robusniji od drugih.
Heuristički algoritmi
Heuristički algoritmi izvrstan su izbor u bučnom okruženju. Ovi algoritmi ne jamče optimalno rješenje, ali mogu pronaći dobro rješenje u razumnom vremenu. Na primjer, algoritam najbližeg susjeda je jednostavan heuristički algoritam. Započinje u nasumično odabranom gradu, a zatim se uvijek pomiče do najbližeg neposjećenog grada dok se ne posjete svi gradovi. Ovaj je algoritam relativno brz i može podnijeti određenu razinu šuma u podacima.
Meta - heuristički algoritmi
Meta - heuristički algoritmi su još moćniji. Koriste tehnike poput simuliranog žarenja, genetskih algoritama ili optimizacije mravlje kolonije. Ovi su algoritmi dizajnirani za učinkovitije istraživanje prostora rješenja i često mogu pronaći bolja rješenja od jednostavnih heurističkih algoritama. Na primjer, genetski algoritmi rade razvijajući populaciju potencijalnih rješenja tijekom više generacija. Oni se mogu prilagoditi šumu u podacima istražujući različite regije prostora rješenja.
Uključivanje modeliranja nesigurnosti
Umjesto da podatke o udaljenosti tretiramo kao fiksne vrijednosti, možemo uključiti modeliranje nesigurnosti. To znači da se udaljenosti predstavljaju kao distribucije vjerojatnosti, a ne kao pojedinačne vrijednosti.
Probabilistička procjena udaljenosti
Možemo koristiti povijesne podatke ili statističke modele za procjenu distribucije vjerojatnosti udaljenosti između gradova. Na primjer, ako znamo da vrijeme putovanja između dva grada obično slijedi normalnu distribuciju s određenom sredinom i standardnom devijacijom, možemo koristiti te informacije u našem TSP algoritmu.
Robusna optimizacija
Robusne tehnike optimizacije također se mogu koristiti za pronalaženje rješenja koja su manje osjetljiva na šum u podacima. Ove tehnike imaju za cilj pronaći rješenja koja dobro funkcioniraju u širokom rasponu mogućih scenarija. Na primjer, možemo pronaći rješenje koje minimizira maksimalan mogući trošak u svim mogućim realizacijama podataka s šumom.
Redovito praćenje i ažuriranje
Okruženje se neprestano mijenja, pa tako i šum u podacima. Zato je važno redovito pratiti podatke i ažurirati naša TSP rješenja.
Prikupljanje podataka u stvarnom vremenu
Možemo koristiti izvore podataka u stvarnom vremenu kako bismo dobili najsvježije podatke o udaljenostima između gradova. Na primjer, možemo koristiti GPS podatke ili prometne senzore kako bismo dobili točna vremena putovanja. Kontinuiranim prikupljanjem i analizom ovih podataka, možemo prilagoditi naša TSP rješenja kako bi uzeli u obzir promjenjive razine buke.
Prilagodljivi algoritmi
Također možemo koristiti prilagodljive algoritme koji se mogu prilagoditi na temelju novih podataka. Ovi algoritmi mogu otkriti promjene u uzorku buke i sukladno tome modificirati svoju strategiju pretraživanja.
Korištenje visokokvalitetnih ulaza
Kada radite s TSP-om u bučnom okruženju, korištenje visokokvalitetnih ulaza može napraviti veliku razliku. Na primjer, ako ste u prehrambenoj industriji i trebate optimizirati rute isporuke svojih proizvoda, korištenje visokokvalitetnih fosfata za hranu može osigurati da vaši proizvodi budu u dobrom stanju tijekom transporta. Provjerite ove proizvode:DKP visoke kvalitete CAS 7758 - 11 - 4 dikalijev fosfat za hranu,Kalijev difosfat Tetrakalijev pirofosfat TKPP CAS 7320 - 34 - 5, iNatrijev heksametafosfat u granulama SHMP sa sredstvom za zadržavanje CAS br. 10124 - 56 - 8 prehrambene kvalitete. Ovi proizvodi mogu pomoći kod zadržavanja vode i drugih aspekata koji mogu utjecati na kvalitetu vaših prehrambenih proizvoda tijekom prijevoza, što se zauzvrat može uzeti u obzir u vašim izračunima TSP-a.
Zaključak
Poboljšanje točnosti TSP rješenja u bučnom okruženju je izazovan, ali dostižan zadatak. Razumijevanjem prirode buke, prethodnom obradom podataka, odabirom pravog algoritma, uključivanjem modeliranja nesigurnosti, redovitim praćenjem i ažuriranjem rješenja te korištenjem visokokvalitetnih ulaza, možemo dobiti preciznija i pouzdanija TSP rješenja.
Ako ste zainteresirani za poboljšanje svojih TSP rješenja ili imate bilo kakvih pitanja o našim proizvodima i uslugama, slobodno se obratite za raspravu o nabavi. Ovdje smo da vam pomognemo optimizirati vaše rute i učiniti vaše operacije učinkovitijima.
Reference
- Johnson, DS i McGeoch, LA (2007). "Problem trgovačkog putnika: studija slučaja lokalne optimizacije". Lokalno pretraživanje u kombinatornoj optimizaciji, 215 - 310.
- Gendreau, M. i Potvin, JY (Ur.). (2010). Priručnik metaheuristike. Springer Science & Business Media.
- Winston, WL (2003). Operacijska istraživanja: Primjene i algoritmi. Thomson South - Western.